[发明专利]基于多尺度卷积循环神经网络的建筑物能耗预测方法

说明书

本发明公开了基于多尺度卷积循环神经网络的建筑物能耗预测方法，包括以下步骤：构建基于多尺度卷积循环神经网络的建筑物能耗预测模型；利用训练集数据，对所述的建筑物能耗预测模型进行训练；将测试集数据输入训练完毕的建筑物能耗预测模型，计算获得建筑物能源消耗的预测值。本发明方法将多尺度卷积层引入到循环神经网络中，从不同尺度上分布注意力机制，从而使得模型能够从不同尺度采集历史信息；双向GRU层更加充分的获取序列数据的上下文信息，整个模型采用卷积结构对不同尺度注意力机制的识别输出进行融合，并通过卷积连接对不同尺度对输出进行筛选和识别，由此对建筑物能耗值的预测获取更好的精度。

技术领域

本发明属于建筑物能源消耗预测技术领域，具体涉及基于多尺度卷积循环神经网络的建筑物能耗预测方法。

背景技术

能源消耗问题成为了社会普遍关注的重要问题之一。其中，建筑耗电量占社会总耗电量的比例超过50％，对某个建筑物或者家庭的耗电量预测问题是其中的关键问题之一，引起了广大人员的关注。对未来用电量的预测可以对电源的异常使用提供预警，同时还能够为电量供应部门的供电策略与调度提供决策支持，具有重大意义。

目前对于能源消耗的预测精度仍然不够。传统的机器学习方法例如线性回归、支持向量回归SVR、随机森林、XGBBoost以及集成学习等方法能够对能源的消耗进行预测，但是由于影响能源消耗的因素较多，关系较为复杂，传统机器学习方法难以捕捉到长时依赖关系，并且各个因素之间的时序重要性也没有很好的获取。而近来有学者采用深度学习的方法(RNN、LSTM、GRU、Bi-LSTM、 Bi-LSTM等)对能源消耗进行预测，取得了较好效果。然而无论是传统的机器学习方法以及近年来比较流行的深度学习方法，都没有从时序上去捕捉各个要素之间的关联特征，预测精度不够理想。

发明内容

有鉴于此，为解决建筑物能源消耗的精准预测问题，本发明的目的在于提供基于多尺度卷积循环神经网络的建筑物能耗预测方法，所述方法通过对某个建筑物室内的温度、湿度传感器，结合室外的气压、温度、湿度、风力以及可见光感传感器数据，对该建筑物的耗电情况进行预测。

基于上述目的，提出基于多尺度卷积循环神经网络的建筑物能耗预测方法，包括以下步骤：

步骤1，构建基于多尺度卷积循环神经网络的建筑物能耗预测模型；

步骤2，利用训练集数据，对所述的建筑物能耗预测模型进行训练，所述的训练集数据包括影响因素数据和已知的建筑物能源消耗数据；

步骤3，将测试集数据输入训练完毕的建筑物能耗预测模型，计算获得建筑物能源消耗的预测值。

具体地，所述的建筑物能耗预测模型包括第一卷积层、第一双向GRU层、第一多尺度卷积层、第二双向GRU层、第二多尺度卷积层、第一全连接层和第二全连接层，各层之间依次顺序连接，第一卷积层的输出和第一双向GRU层的输出连接后同时作为第一多尺度卷积层和第二多尺度卷积层的输入，所述的双向GRU层由一个前向GRU模型和一个后向GRU模型并联形成一个双向结构，所述的双向GRU层输出两个合并的GRU信号，所述的第一全连接层的输出层为 100，第二全连接层的输出层为1，所述的建筑物能耗预测模型中第一卷积层的输入为影响因素数据序列，第二全连接层的输出为建筑物能耗值。

具体地，对于所述的建筑物能耗预测模型为x₀,...,x_T为影响因素序列数据，(y₀,...,y_K),KT为已知的建筑物能耗值，(y_K+1,...,y_T) 为需要预测的建筑物能耗值，为相应的估计值，输入为x₀,...,x_T,y₀,...,y_K变量，依次输入所述的建筑物能耗预测模型中开始训练，损失函数采用标准归一化MSE，激活函数采用Relu函数。

具体地，所述的建筑物能耗预测模型的解析表达式如下：